mysql多表查询

多表查询分类
     1.内连接
     2.外连接
     3.子查询
笛卡尔积
     有两个集合A、B,取这两个集合的所有组成情况
     要完成多表查询,需要消除无用的笛卡尔积数据

内连接

     1.隐式内连接:
     2.显示内连接

隐式内连接

使用where条件消除无用数据

-- 查询所有员工信息和对应的部门信息
SELECT * FROM dept,emp WHERE emp.dept_id = dept.id;
-- 查询员工的名称,性别。以及所在部门
SELECT 
	emp.`name` 姓名,
	emp.gender 性别,
	dept.`name` 部门	
FROM 
	dept,emp 
WHERE 
	emp.dept_id=dept.id;

SELECT
	t1.`name`,
	t1.gender,
	t2.`name`
FROM
	emp t1, -- 起别名
	dept t2
WHERE
	t1.dept_id=t2.id;

显示内连接

-- 语法:select 字段列表 from 表名1 [inner] join 表名2 on 条件
SELECT
	t1.`name`,
	t1.gender,
	t2.`name`
FROM 
	emp t1
INNER/*INNER 可以省略*/ JOIN
	dept t2
ON
	t1.dept_id = t2.id;
	
-- 多对多 查询 所有有角色的用户(role:角色表 user:用户表 user_role:中间表)
SELECT 
	`user`.*,`role`.*
FROM 
	`user`
JOIN 
	user_role 
ON 
	`user`.`id`=user_role.`UID`
JOIN 
	`role`
ON 
	`role`.`ID`=user_role.`RID`

外连接

     1.左外连接
     2.右外连接

左外连接

-- 语法:select 字段列表 from 表名1 left [outer] join 表名2 on 条件
-- 左外连接查询的是左表所有数据以及其交集部分

-- 查询所有员工信息,如果员工有部门,则查询部门名称,没有部门则不显示部门名称
SELECT
	t1.*,
	t2.`name`
FROM
	emp t1  -- 左表
LEFT JOIN
	dept t2 -- 右表
ON
	t1.dept_id = t2.id; -- 交集部分
	
-- 多对多 查询 所有有角色的用户(role:角色表 user:用户表 user_role:中间表)
SELECT 
	`role`.*,`user`.* 
FROM 
	`role` 
LEFT OUTER JOIN 
	user_role 
ON 
	`role`.`ID`=user_role.`RID`
LEFT OUTER JOIN 
	`user`
ON 
	`user`.`id`=user_role.`UID`

右外连接

-- 语法:select 字段列表 from 表名1 right [outer] join 表名2 on 条件
-- 右外连接查询的是右表所有数据以及其交集部分
SELECT
	t1.*,
	t2.`name`
FROM
	emp t1  -- 左表
RIGHT JOIN
	dept t2 -- 右表
ON
	t1.dept_id = t2.id; -- 交集部分

子查询

查询中嵌套查询,被嵌套的查询为子查询
分类:
     1.子查询的结果是单行单列
        子查询可以作为条件,使用运算符去判断。
     2.子查询的结果是多行单列
     3.子查询的结果是多行多列
        子查询的结果是多行多列可以作为一场虚拟表进行查询

子查询的结果是单行单列

 查询工资最高的员工信息
SELECT * FROM emp WHERE emp.salary=(SELECT MAX(salary) FROM emp);

子查询的结果是多行单列

-- 查询市场部和财务部的所有员工信息
SELECT 
	* 
FROM 
	emp 
WHERE 
	emp.dept_id 
IN (
	SELECT 
		dept.id 
	FROM 
		dept 
	WHERE 
		dept.`name` 
		IN('市场部','财务部')
	);

子查询的结果是多行多列

-- 查询员工入职日期是2011-11-11日之后的员工信息
SELECT * FROM emp WHERE emp.join_date > '2011-11-11'; 
-- 查询员工入职日期是2011-11-11日之后的员工信息和部门信息
SELECT 
	* 
FROM 
	(SELECT * FROM emp WHERE emp.join_date > '2011-11-11') t1
LEFT JOIN
	dept
ON
	t1.dept_id = dept.id;
内容概要:本文介绍了ENVI Deep Learning V1.0的操作教程,重点讲解了如何利用ENVI软件进行深度学习模型的训练与应用,以实现遥感图像中特定目标(如集装箱)的自动提取。教程涵盖了从数据准备、标签图像创建、模型初始化与训练,到执行分类及结果优化的完整流程,并介绍了精度评价与通过ENVI Modeler实现一键化建模的方法。系统基于TensorFlow框架,采用ENVINet5(U-Net变体)架构,支持通过点、线、面ROI或分类图生成标签数据,适用于/高光谱影像的单一类别特征提取。; 适合人群:具备遥感图像处理基础,熟悉ENVI软件操作,从事地理信息、测绘、环境监测等相关领域的技术人员或研究人员,尤其是希望将深度学习技术应用于遥感目标识别的初学者与实践者。; 使用场景及目标:①在遥感影像中自动识别和提取特定地物目标(如车辆、建筑、道路、集装箱等);②掌握ENVI环境下深度学习模型的训练流程与关键参数设置(如Patch Size、Epochs、Class Weight等);③通过模型调优与结果反馈提升分类精度,实现高效自动化信息提取。; 阅读建议:建议结合实际遥感项目边学边练,重点关注标签数据制作、模型参数配置与结果后处理环节,充分利用ENVI Modeler进行自动化建模与参数优化,同时注意软硬件环境(特别是NVIDIA GPU)的配置要求以保障训练效率。
内容概要:本文系统阐述了企业新闻发稿在生成式引擎优化(GEO)时代下的全渠道策略与效果评估体系,涵盖当前企业传播面临的预算、资源、内容与效果评估四大挑战,并深入分析2025年新闻发稿行业五大趋势,包括AI驱动的智能化转型、精准化传播、首发内容价值提升、内容资产化及数据可视化。文章重点解析央媒、地方官媒、综合门户和自媒体四类媒体资源的特性、传播优势与发稿策略,提出基于内容适配性、时间节奏、话题设计的策略制定方法,并构建涵盖品牌价值、销售转化与GEO优化的维评估框架。此外,结合“传声港”工具实操指南,提供AI智能投放、效果监测、自媒体管理与舆情应对的全流程解决方案,并针对科技、消费、B2B、区域品牌四大行业推出定制化发稿方案。; 适合人群:企业市场/公关负责人、品牌传播管理者、数字营销从业者及中小企业决策者,具备一定媒体传播经验并希望提升发稿效率与ROI的专业人士。; 使用场景及目标:①制定科学的新闻发稿策略,实现从“流量思维”向“价值思维”转型;②构建央媒定调、门户扩散、自媒体互动的立体化传播矩阵;③利用AI工具实现精准投放与GEO优化,提升品牌在AI搜索中的权威性与可见性;④通过数据驱动评估体系量化品牌影响力与销售转化效果。; 阅读建议:建议结合文中提供的实操清单、案例分析与工具指南进行系统学习,重点关注媒体适配性策略与GEO评估指标,在实际发稿中分阶段试点“AI+全渠道”组合策略,并定期复盘优化,以实现品牌传播的长期复利效应。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值